技术深度解析
从以模型为中心到以智能体为中心的AI转变，代表了系统架构的根本性变革。其核心是一个循环：感知、规划、行动、观察、重复。语言模型充当推理引擎，但辅以多个关键组件。
工具调用架构： 现代智能体使用函数调用API与外部工具交互。模型输出结构化JSON，指定调用哪个工具及其参数。这并非易事——模型必须理解工具语义、处理缺失参数并从错误中恢复。OpenAI的函数调用、Anthropic的工具使用和Google Gemini的函数调用都实现了这一模式。关键创新在于“工具注册表”——一种描述可用工具及其输入输出的模式。智能体根据任务动态选择工具。
记忆模块： 智能体需要短期和长期记忆。短期记忆通常是对话上下文窗口（例如GPT-4 Turbo的128k token）。长期记忆使用向量数据库（如Pinecone、Weaviate或Chroma）存储过去交互的嵌入，通过语义搜索检索。这使得智能体能够跨会话“记住”用户偏好、过往错误和成功策略。开源项目MemGPT（现更名为Letta）通过实现类似操作系统的虚拟上下文管理（将记忆换入换出），已在GitHub上获得超过12,000颗星。
规划与分解： 复杂任务需要分解为子步骤。ReAct（推理+行动）和思维树等技术提示模型生成逐步计划。智能体随后执行每一步，观察结果，并在必要时调整计划。这正是可靠性成为关键之处——一个错误步骤可能引发连锁反应。AutoGPT项目（现已归档但影响深远）既展示了前景也暴露了风险：它能自主浏览网页、编写代码和执行交易，但常常陷入循环或对工具输出产生幻觉。
自我修正机制： 最先进的智能体实现了反馈循环。例如，Salesforce的CodeGen模型系列采用多轮优化：模型生成代码、运行代码、捕获错误并重新生成。SWE-bench基准测试智能体处理真实GitHub问题的能力——最佳系统现已达到超过40%的解决率，而一年前仅为个位数。这是通过“执行反馈”实现的：智能体运行单元测试并迭代，直至全部通过。
浏览器自动化： 一个主要应用领域是网页自动化。Browser-Use（开源，约8k星）和Playwright MCP（模型上下文协议）等项目允许智能体通过自然语言控制浏览器。智能体发出诸如“点击文本为‘提交’的按钮”或“提取此页面的表格”等指令。挑战在于处理动态内容、弹窗和验证码。最新进展使用视觉语言模型直接解析截图，绕过了脆弱的DOM选择器。
| 组件 | 关键挑战 | 当前最佳方法 | 开源示例 |
|---|---|---|---|
| 工具调用 | 模式理解、错误恢复 | 结构化JSON输出的函数调用 | OpenAI Functions, Anthropic Tool Use |
| 记忆 | 上下文窗口限制、检索准确性 | 虚拟上下文管理 + 向量数据库 | MemGPT (Letta) |
| 规划 | 步骤分解、错误传播 | ReAct + 思维树 | AutoGPT (已归档), BabyAGI |
| 自我修正 | 幻觉、无限循环 | 执行反馈 + 单元测试 | SWE-agent, CodeGen |
| 浏览器控制 | 动态页面、验证码 | 基于视觉的解析 + Playwright | Browser-Use, Playwright MCP |
数据要点： 表格显示，尽管每个组件都有“最佳方法”，但没有任何一个得到完全解决。最可靠的智能体将五者结合，开源生态系统正在快速迭代每个部分。瓶颈不再是模型智能，而是系统集成和错误处理。
关键玩家与案例研究
智能体转向创造了一个新的竞争格局。参与者不仅包括大型模型提供商，还有一波新的初创公司和开源社区。
OpenAI 在推动智能体能力方面最为激进。其带有函数调用的GPT-4 Turbo已成为事实标准。他们最近推出了Assistants API，提供内置的代码解释器、检索和文件搜索功能——本质上是一个托管式智能体框架。然而，其闭源方法限制了定制化。OpenAI的Operator（传闻中）预计将是一个基于浏览器的智能体，能够预订航班、填写表单和管理电子邮件。
Anthropic 采取了不同的路线。其Claude 3.5 Sonnet模型在工具使用方面表现出色，且注重安全性。他们发表了一篇关于“智能体宪法AI”的详细论文，限制了智能体可以自主调用的工具。